QU’EST-CE QUE LE TEXT-MINING ?

Le text mining suscite un intérêt certain lors de l’analyse de corpus massifs de textes. C’est en effet face au Big Data, à la multiplication des contenus en ligne et à leur facilité d’accès, que les méthodes du text mining révèlent l’entièreté de leur potentiel.

Text mining : définition

Le text mining, également appelé traitement automatique du langage, peut être défini comme étant un ensemble de techniques issues de l’intelligence artificielle, alliant plusieurs domaines : la linguistique, la sémantique, le langage, les statistiques et l’informatique. Combinées ensemble, ces techniques permettent d’extraire des données pour recréer de l’information à partir de corpus de textes en les classifiant et les analysant de manière à établir des tendances. Le text mining est notamment beaucoup employé dans le secteur du marketing, mais également dans de nombreux autres domaines tels que la communication, les sciences politiques et la recherche.

Le texte mining, ou fouille de textes, respecte deux étapes principales. La première étape, l’analyse, consiste à analyser les corpus de textes de manière à en reconnaître les mots, les phrases, les rôles grammaticaux ainsi que les relations et les sens de ces derniers entre eux. Cette première étape, commune à tous les traitements, ne trouve sa pertinence que lorsqu’elle est couplée à la seconde étape : l’interprétation de l’analyse. Cette étape permet de sélectionner des textes en particuliers parmi d’autres. Un exemple d’application concret de cette seconde étape étant la classification de courriers mails en spam, c’est-à-dire dans la catégorie des mails non sollicités, ou bien en non spam, c’est-à-dire en mails devant être lus par le destinataire.

Les outils de text mining ont donc pour vocation d’automatiser la structuration de documents faiblement structurés, afin de générer de l’information sur le contenu d’un document texte, cette information n’étant alors pas présentée de manière explicite dans la forme initiale du document. Le text mining se révèle notamment utile pour :

classifier automatiquement des documents ;
obtenir un aperçu du contenu d’un document, sans le lire ;
alimenter de manière automatique des bases de données ;
de la veille sur des corpus documentaires ;
enrichir l’index d’un moteur de recherche, de manière à améliorer la consultation des documents, etc.

Les solutions de text mining revêtent donc plusieurs usages et services.

Comment fonctionne le text mining ?

Les outils de text-mining doivent notamment respecter quelques règles de base dans leur traitement. Ces règles de base sont généralement et chronologiquement les suivantes :

Tout d’abord, le logiciel de text mining doit être en mesure de reconnaître les unités de la langue, en d’autres termes les mots (tokenisation);
Par la suite, ce même logiciel de text mining doit réussir à interpréter la ponctuation et la mise en page des documents analysés (paragraphes, retours à la ligne, etc);
Les formes grammaticales et lexicales doivent elles aussi être prises en compte dans l’analyse des corpus de textes. A noter que ces formes sont amenées à énormément varier selon les langues (anglais, arabe, chinois);
L’outil de text mining doit ensuite respecter une phase de lemmatisation consistant à identifier les différentes déclinaisons ou flexions d’un terme.

L’ensemble de ces phases précédemment décrites relèvent de l’analyse linguistique permettant aux outils de text mining d’établir un document transformé ; le document initial étant fait pour être lu par des yeux humains, le document après traitement étant destiné aux machines.

Deux approches non antinomiques sont par la suite envisagées : une approche statistique et une approche sémantique.

L’approche statistique du text mining

Cette approche consiste à ne percevoir le document traité que via le prisme des chiffres. De cette manière, l’outil statistique de text mining engendre des informations portant sur le nombre d’occurrence d’un terme, de cooccurrence de plusieurs termes ainsi que la fréquence d’apparition d’un terme dans un document ou corpus de textes.

L’approche statistique du text mining peut également produire des vecteurs de sens, pouvant être définis comme des statistiques de cooccurrence de termes, permettant de classer et/ou catégoriser un ensemble de textes dans un corpus.

L’approche sémantique du text mining

L’approche sémantique du text mining se base non plus sur la puissance de calcul, mais sur un élément externe, appelé le référentiel. Les référentiels peuvent être des listes à plats, des mots clés, des ontologies ou bien des thesaurus (liste organisée de termes normalisés). Ces référentiels peuvent également être des logiques de type probabilistes, tels que les réseaux bayésiens notamment utilisés pour la détection de spams et le data mining. Le moteur de text mining va alors ajouter au document traité l’ensemble des informations fournies par un référentiel. Le référentiel effectue donc un travail de déduction avant de fournir au moteur de text-mining une réponse venant enrichir le document traité.

Les avantages de l’approche sémantique du text mining résident dans les paramètres du moteur de text mining, qui peuvent être ajustés de manière à coller à la spécificité du corpus documentaire exploité. Il est également possible de modéliser des connaissances métiers spécifiques, de manière à effectuer des traitements de text mining répondant à des besoins bien spécifiques. La pertinence des résultats obtenus via une approche sémantique du text mining est généralement plus fine que celle obtenue par une approche statistique.

Les applications du text mining

Les applications courantes du text mining sont nombreuses. Nous pouvons citer, par exemple, l’analyse d’une base d’emails adressés à une entreprise, permettant de classer automatiquement les emails entrants dans différentes catégories grâce à l’établissement de modèles prédictifs. L’automatisation permet alors d’adresser rapidement le mail au service approprié, de manière à augmenter la satisfaction client.

Le text mining se révèle également utile avec l’émergence des réseaux sociaux puisqu’il permet d’analyser les sentiments exprimés par les internautes, science appelée l’opinion mining. Il s’agit d’analyser des sources textuelles volumineuses, afin d’en dégager les principaux sentiments exprimés ainsi que les tonalités émotionnelles. L’opinion mining permet alors de quantifier et qualifier les réactions positives ou négatives exprimées par une communauté de clients, de salariés, etc, afin de mieux percevoir leurs opinions.

Le nouveau challenge du text mining, plus que jamais d’actualité, est relatif à la détection des données sensibles issues des zones de texte libre présentes dans les applications métier (les CRM par exemple). La détention de ces données sensibles (opinions politiques, origines raciales, convictions religieuses, orientation sexuelle, santé, etc) est interdite par la CNIL. Une problématique fondamentale depuis l’entrée en vigueur du Règlement Général sur la Protection des Données (RGPD), pouvant être en partie résolue par les algorithmes de text mining développés dans ce contexte.

Le text mining révèle également tout son potentiel dans la résolution d’une multitude d’autres problématiques, telles que l’analyse d’actions marketing, la gestion de la relation client et notamment de la fidélisation via l’analyse de questionnaires de satisfaction, ou bien l’optimisation de contenus web dans le cadre de l’amélioration du référencement naturel. De manière générale, dès lors que des données textuelles peuvent donner lieu à une représentation numérique, les algorithmes classiques du data mining, dont font partie ceux du text mining, peuvent alors être appliqués.

En savoir plus sur le Text-Mining

Text mining : Pourquoi et comment traiter vos données textuelles ?

7 février 2019/par Lucas

Comment le Text Mining améliore le marketing ?

Module Text Mining

Coheris Analytics SPAD

Module Text Mining

Module Text Mining

L’Analyse de données textuelles ou le Text Mining

Tirez le meilleur parti de tous vos fichiers

3 approches complémentaires

Avantages de la solution

Ce que nos clients pensent de nos solutions

Nos formations

Actualités Analytics SPAD

Plus d’informations :

Les fonctionnalités Analytics SPAD